基于Graph和ISA的红外目标分割与识别方法研究

红外图像目标分割与识别是红外预警系统与成像制导的核心技术之一。如何提高红外目标检测、识别的能力和智能化水平一直是国内外学者多年来研究的方向和重点。本项目主要研究如何提高图像目标的分割检测概率以及目标的识别率，主要包括三个方面的内容：针对当前主流的均值漂移（MS）算法自身存在的过分割问题，结合图论(Graph Theory)中归一化割与等周比的相关思想开展图像目标多级分割新方法的研究；开展独立分量分析（ICA）和独立子空间分析（ISA）理论的研究并揭示特征提取方法提取目标特征的机理，探索基于独立子空间下的新的特征优选准则和方法以提取更接近实际目标的非线性本质特征，从而使得优选特征能够更为准确地描述目标；建立纠错输出码的数学模型，研究基于距离度量的分类器设计方法，提高目标识别的正确率，从而为新方法的工程化应用奠定基础。

红外图像目标分割与识别是红外预警系统与成像制导的核心技术之一。如何提高红外目标检测、识别的能力和智能化水平一直是国内外学者多年来研究的方向和重点。本项目主要研究如何提高图像目标的分割检测概率以及目标的识别率，进一步结合实际应用研究了不同种类缺陷的检测。主要包括以下内容：针对模糊C均值聚类算法存在的无法自适应得到最佳的聚类数目且运算效率低的问题，结合势函数聚类的思想，提出了基于势函数的自适应模糊C均值图像分割算法，具有能自适应获得图像最优分类数目、分割效率高、分割结果区域一致性强等优点；针对当前主流的均值漂移（MS）算法自身存在的过分割问题，结合图论中归一化割的相关思想，研究了基于均值漂移和归一化割的图像分割算法，结合模糊C均值聚类的思想，提出了基于改进的FCM和均值漂移的图像分割算法，能在保证分割效率的同时提高分割准确度；针对多阈值算法存在的伪峰干扰问题，结合模糊聚类的思想，提出了基于多阈值和自适应模糊聚类的红外图像分割算法，能有效应用于复杂环境下的红外图像分割；研究了独立成分分析，针对Fast ICA优化算法提取特征的无序性，引入基于稀疏排列的特征优选模型，并将ISA应用到红外图像特征提取中，取得了良好的效果。针对现有基于PCA的特征提取方法需要将图像进行向量化从而导致特征提取后识别结果不理想的问题，而2DPCA算法对全局特征比较敏感，Wavelet PCA算法能很好地描述局部特征，提出了基于图像分块的自适应红外图像特征提取方法，能够结合2DPCA和Wavelet PCA的优点得到更有效的特征；针对线性判别分析假设各类数据服从高斯分布的条件限制，以及基于瑞利商形式的目标函数没有封闭解的问题，提出了基于广义瑞利商准则的非参数特征提取方法，其中描述数据分布的散布矩阵不再假设数据的分布形式，即对于非高斯分布的数据仍然适用；针对不平衡数据集分类问题，研究了重采样技术和基于距离度量的分类器设计技术，提出了基于多数类边界的少数类数据合成技术和基于权重的局部均值分类器设计，提高了不平衡数据的分类性能；针对实际工程应用，研究了磁瓦缺陷检测和港口溢油监测，进一步针对传统的人工检测大米质量的方法不仅效率低，而且主观随意性较大、可操作性和重复性差，难以满足对稻米品质检测快速、客观和准确的要求，提出了基于数字图像处理技术的米粒完整度检测方法，为实际的工程应用奠定了基础。